收藏 分销(赏)

电力设备运行环境监控图像异常检测算法研究模板.doc

上传人:精*** 文档编号:4615573 上传时间:2024-10-07 格式:DOC 页数:115 大小:3.03MB 下载积分:20 金币
下载 相关 举报
电力设备运行环境监控图像异常检测算法研究模板.doc_第1页
第1页 / 共115页
电力设备运行环境监控图像异常检测算法研究模板.doc_第2页
第2页 / 共115页


点击查看更多>>
资源描述
电力设备运行环境监控图像异常检测算法研究 98 资料内容仅供参考,如有不当或者侵权,请联系本人改正或者删除。 分类号 密级 U D C 昆明理工大学 硕士学位论文 电力设备运行环境监控图像异常检测算法研究 研究生姓名    尹远 指导教师姓名、 职称   余正涛 教授 学科专业 检测技术与自动化装置 研究方向    图像检索 论文工作 起止日期 1月~ 3月 论文提交日期 3月 一 遵守学术行为规范承诺 本人已熟知并愿意自觉遵守《昆明理工大学研究生学术规范实施细则( 试行) 》的所有内容, 承诺所提交的毕业和学位论文是终稿, 不存在学术不端行为, 且论文的纸质版与电子版内容完全一致。 二 独创性声明 本人声明所提交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知, 除了文中特别加以标注和致谢的地方外, 论文中不包含其它人已经发表或撰写过的研究成果, 也不包含为获得昆明理工大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。 三 关于论文使用授权的说明 本人完全了解昆明理工大学有关保留使用学位论文的规定, 即: 学校有权保留送交论文的复印件, 允许论文被查阅和借阅; 学校能够公布论文的全部或部分内容, 能够采用影印、 缩印或其它复制手段保存论文。( 保密的论文在解密后应遵守此规定) 本学位论文属于( 必须在以下相应方框内打”√”, 否则一律按”非保密论文”处理) : 1、 保密论文: □本学位论文属于保密。 2、 非保密论文: □本学位论文属于内部论文, 网上延后公开。 □本学位论文不属于保密范围, 适用本授权书。 是否同意授权以下单位( 必须在以下相应方框内打”√”, 否则一律按”同意授权”处理) : □同意授权 □不同意授权 将本人学位论文著作权中的数字化复制权、 发行权、 汇编权和信息网络传播权的专有使用权在全世界范围内授予中国学术期刊( 光盘版) 电子杂志社, 并在《中国优秀博硕士学位论文全文数据库》和CNKI系列数据库中出版。 研究生本人签名: 签字日期: 20 年 月 日 研究生导师签名: 签字日期: 20 年 月 日 摘 要 监控电力设备运行环境对于电力设备的正常运行具有非常重要的意义。随着电力系统的发展, 对电力设备运行环境的监控由人工逐渐变为各种监控设备。监控设备经过对采集到的环境信息进行处理和分析, 能够得到运行环境的状态; 当运行环境中发生异常情况, 监控设备发出警报, 工作人员可及时进行处理, 恢复电力设备运行环境的安全。本文围绕如何检测电力设备运行环境监控图像中的异常情况这一问题, 在识别电力设备运行环境监控图像中的人员、 检测电缆断裂情况以及检测电力设备运行环境监控图像中的火灾等方面展开了研究, 主要取得了以下的成果: (1)基于SVM的电力设备运行环境监控图像人员识别 针对电力设备运行环境监控图像中出现人员可能会引起触电事故、 导致设备被盗被破坏的问题, 本文首先使用混合高斯背景模型提取人员区域, 然后提取人员区域的边缘方向直方图特征, 再构建SVM分类器, 用边缘方向直方图特征训练SVM分类器, 经过被训练的SVM分类器识别出电力设备运行环境监控图像中的人员。实验结果表明, 在论文所构建的监控图像测试集中, 相比基于SVM的方向梯度直方图人员识别模型, 基于SVM电力设备运行环境监控图像人员识别模型的准确率和召回率分别提高了8.65%和22.6%。 (2)基于改进的Hough变换的电缆断裂检测 针对检测监控图像中电缆由于老化、 极端天气等因素造成的断裂的问题, 本文首先对电缆监控图像进行增强和去噪, 然后经过改进的Canny算子提取出监控图像中电缆的边缘方向直方图特征, 对这些边缘图像进行腐蚀和膨胀以获得更加精确的电缆边缘图像, 经过对电缆边缘图像进行改进的Hough变换找出电缆所在的直线段, 将直线段映射到直角坐标系中, 经过计算直线段之间以及直线段延长线之间的交点坐标和直线段延长线之间的夹角并结合直线段的斜率来检测电缆是否发生了断裂。实验结果表明, 在论文所构建的监控图像测试集中, 相比基于LSD的电缆断裂检测模型, 基于改进的Hough变换的电缆断裂检测模型的准确率和召回率分别提高了33.5%和31.15%。 (3)基于颜色聚合向量和小波能量特征的电力设备运行环境监控图像火灾检测 针对基于传感器的监控设备并不能及时地检测到发生在距电力设备较远处火灾的问题, 本文经过码本法提取出电力设备运行环境监控图像中的火焰区域, 并对火焰区域进行预处理, 然后提取火焰区域的局部二值模式向量、 颜色聚合向量和小波能量特征, 再构建SVM分类器, 用这些特征训练SVM分类器, 构建火灾检测模型, 经过模型对电力设备运行环境监控图像进行火灾检测。实验结果表明, 在论文所构建的监控图像测试集中, 电力设备运行环境监控图像火灾检测模型的准确率和召回率分别为97.65%和87.5%。 (4)电力设备运行环境监控图像异常检测原型系统的设计与实现 基于上述研究成果, 设计并实现了电力设备运行环境监控图像异常检测原型系统, 实现识别监控图像中的人员、 检测电缆断裂以及检测监控图像中的火灾等功能。 关键词: 运行环境 监控图像 人员识别 电缆断裂 火灾检测 Abstract The monitoring of the operating environment of electrical equipment is of prime importance to their normal operation. Along with the development of electrical systems, the monitoring of the operating environment of electrical equipment has been shifted from manual work to monitoring equipment. The monitoring equipment can obtain the state of the operating environment through processing and the analysis of the environment information that is collected; the monitoring equipment will send alarm signals if any danger occurs in the operating environment, enabling the staff to take timely measures and ensure the safety of the operating environment of the electrical equipment. This paper offers an investigation of how to detect abnormal conditions in the monitoring images of the operating environment of electrical equipment, identify the staff in monitoring images, detect the breakage of cables and fire in monitoring images with achievements made in the following fields: (1) Identification of the Staff in Monitoring Images of the Operating Environment of Electrical Equipment Based on SVM Because the staff and their complicated actions in the monitoring images of the operating environment of electrical equipment might influence the normal operation of electrical equipment, this paper first extracts the staff area with a mixture of a Gaussian background model and the histogram characteristics of the edge direction of the staff area, and it establishes the SVM classifier. The SVM classifier is trained by edge direction histogram characteristics in order to identify the staff in monitoring images of the operating environment of electrical equipment. The experiment shows that, compared to the personnel identification model that is based on histogram of gradient features, the personnel identification model in the monitoring image of the operating environment of electrical equipment has enhanced the accuracy rate and recall rate by 8.65% and 22.6%, respectively. (2) Cable Breakage Detection Based on Improved Hough Transform In order to address the cable breakage caused by aging and strong wind, this paper first enhances and denoises the cable monitoring image and extracts the edge direction histogram characteristics of the cables in the monitoring images through improved Canny operators. These edge images are subjected to erosion and dilation in order to obtain more accurate cable edge images. The straight lines in the cable edge images are found through improved Hough transformation and mapped to the rectangular coordinate system. The cable breakage is detected by calculating the coordinate of line intersections and the angles between lines. The experimental results reveal that, different from the cable breakage detection model based on straight line extraction, the cable breakage detection model based on improved Hough transformation has increased the accuracy rate and recall rate by 33.5% and 31.15%, respectively. (3) Fire Detection in the Monitoring Images of Operating Environment of Electrical Equipment Based on Color Coherence Vector and Wavelet Energy Feature In light of the failure of traditional sensors for detecting the fire far from the electrical equipment, this paper extracts the flame area by calculating the color distribution distance in the monitoring images of the operating environment of electrical equipment. After the flame area is enhanced and denoised, the color coherence vector and wavelet energy feature are extracted in order to establish the SVM classifier. These features are used to train the SVM classifier and establish a fire detection model. The experimental results show that the fire detection model based on color coherence vector and wavelet energy feature can increase the accuracy rate and recall rate by 97.655 and 87.5%, respectively. (4) Design and Realization of the Anomaly Detection Prototype System of the Monitoring Image of Operating Environment of Electrical Equipment On the basis of the aforesaid research achievements, the anomaly detection prototype system is developed in order to identify staff in the monitoring images and detect cable breakage and fire. Keywords: Operating Environment; Monitoring Image; Personnel Invasion; Circuit Short; Fire Detection 目录 摘要 I Abstract III 第一章 绪论 1 1.1研究背景及意义 1 1.2国内外研究现状 2 1.3论文的研究内容及组织结构 3 1.3.1论文研究内容 3 1.3.2论文组织结构 4 第二章 电力设备运行环境监控图像人员识别模型 5 2.1引言 5 2.2电力设备运行环境监控图像人员识别模型 5 2.2.1电力设备运行环境监控图像中人员的特点 5 2.2.2电力设备运行环境监控图像中人员区域的提取 6 2.2.3人员图像特征的提取 10 2.2.4 SVM模型描述 12 2.2.5电力设备运行环境监控图像人员识别模型的构建 16 2.3实验与分析 16 2.3.1实验数据 16 2.3.2评价指标 17 2.3.3实验设计与结果分析 17 2.4本章小节 18 第三章 基于改进的Hough变换的电缆断裂检测模型 19 3.1引言 19 3.2基于改进的Hough变换的电缆断裂检测模型 19 3.2.1断裂电缆的特点 19 3.2.2电缆特征的提取 20 3.2.2.1电缆监控图像增强 20 3.2.2.2电缆监控图像去噪 20 3.2.2.3电缆监控图像二值化 21 3.2.2.4电缆边缘检测 23 3.2.2.5电缆监控图像的膨胀和腐蚀 23 3.2.2.6电缆监控图像直线检测 25 3.2.3基于改进Hough变换的电缆断裂检测模型构建 26 3.3实验与分析 28 3.3.1实验数据 28 3.3.2评价指标 28 3.3.3实验设计与结果分析 29 3.4本章小节 30 第四章 电力设备运行环境监控图像火灾检测模型 31 4.1引言 31 4.2电力设备运行环境监控图像火灾检测模型 31 4.2.1监控图像中火焰区域的特点 31 4.2.2火焰区域的提取 32 4.2.2.1码本背景模型 32 4.2.2.2码本背景建模过程 33 4.2.2.3利用码本模型提取监控图像前景 33 4.2.3火焰区域预处理 34 4.2.4火焰区域特征的提取 34 4.2.4.1烟雾特征的提取 34 4.2.4.2火焰特征的提取 39 4.2.5模型构建 40 4.3实验与分析 40 4.3.1实验数据 40 4.3.2评价指标 41 4.3.3实验设计与结果分析 41 4.4本章小节 41 第五章 电力设备运行环境监控图像异常检测原型系统的设计与实现 43 5.1引言 43 5.2系统整体框架 43 5.3数据准备 43 5.4系统运行效果 44 5.5本章小节 49 结束语 51 6.1论文总结 51 6.2下一步工作 52 致 谢 53 参考文献 55 附录A 攻读硕士期间发表论文及参与项目 60 第一章 绪论 1.1研究背景及意义 电力设备的正常运行需要安全的外部环境, 这和电力设备正常运行所需要的内部参数配合同等重要。为了保证运行环境的安全, 就需要对电力设备的运行环境加以监控。当前, 对电力设备运行环境的远程监控己经成为电力系统发展的趋势, 即经过基于传感器的监控设备来监控电力设备运行环境。 基于传感器的监控设备经过不同的传感器监控电力设备运行环境中的温度、 湿度、 磁场强度等状态参数。当运行环境中发生异常情况时, 会导致运行环境的状态参数发生改变。运行环境状态参数的改变被基于传感器的监控设备检测到后, 就会发出警报, 表示检测到运行环境中出现异常情况。 然而对于电力设备的运行环境的某些异常情况, 仅仅经过基于传感器的监控设备是无法有效而且及时检测到的。例如, 在电力设备运行环境中, 有很多禁止人员进入的区域, 一般都是容易引起触电事故导致人员伤亡的高压区域, 还有一些具有重要电力设备的区域。如果有闯入的盗窃人员, 会导致重要的电力设备被盗被破坏, 引起电力系统跳闸停运而且造成巨大的经济损失。一般传感器的检测范围只有数米, 无法在较远距离上检测出进入运行环境中的人员, 不利于工作人员及时发现人员并进行处理; 而对于电缆, 由于老化、 极端天气等因素造成的断裂, 从影响输电线路的正常运行, 由于成本的原因, 电缆上没有安装传感器, 因此工作人员往往无法准确得知发生线缆断裂的地点, 更无法及时地对电缆断裂的情况进行处理; 而运行环境中的火灾会威胁到电力设备的正常工作, 当火灾蔓延到电力设备上时, 会烧毁电力设备, 导致大面积停电和人员伤亡, 还会造成巨大的经济损失, 而温度传感器只能检测出数米距离内的火焰温度, 当距电力设备较远处发生火灾或火灾被障碍物遮挡时, 温度传感器并不能及时地检测到, 更无法及时地发出警报。 这时, 使用基于监控图像的电力设备运行环境异常检测方法发现上述异常情况就具有实际意义, 基于监控图像的电力设备运行环境异常检测方法是对基于传感器的监控手段的重要补充, 能够弥补上述基于传感器的监控手段的缺陷。可是当前对于电力设备运行环境监控图像的异常检测是依靠人工完成的, 监控人员精力有限, 不可能时刻关注监控图像; 同时, 监控人员在处理其它事情的时候, 可能没有关注监控图像, 这样可能没有及时发现运行环境中发生的异常情况, 导致异常情况处理的延误。本文的研究就是结合计算机图像处理的相关算法, 自动地对电力设备运行环境监控图像中的异常情况做出检测, 并发出报警。 1.2国内外研究现状 经过图像处理的相关技术对监控图像信号进行处理、 分析, 自动地提取监控场景中的变化并对其做出跟踪, 然后判断目标的行为并发出警报的过程称为智能图像监控。对于电力设备运行环境的图像监控, 即要求识别出运动的物体、 火焰、 喷气、 喷水、 闪光等异常现象。 国外对于智能图像监控的研究起步较早。早在上个世纪80年代, 美国俄勒冈州立大学就开始研究视频图像采集及处理技术, 1991年, 俄勒冈州立大学与美国海岸地质观察中心合作, 开发了一套远程图像监控系统, 在海岸的监控图像中经过计算机视觉相关技术分析其变迁情况, 用于监控海岸地形的变化情况[1]。该系统用像素强度来表示监控图像中颜色和灰度的信息, 经过这套系统, 使用像素强度表征图像颜色和灰度信息的方法是能够被用来进行图像分析的, 这是其它方法无法完成的。从1996年到1999年, 美国国防高级研究项目署设立了视觉监控重大项目(Visual Surveillance and Monitoring)[2], 其中卡耐基梅隆大学、 麻省理工学院等著名高校也参与其中。该项目研究的是军事或民用场景监控视频的目标行为分析, 经过三帧时域差分法提取监控视频中的运动目标, 然后经过自适应模板匹配法对运动目标进行跟踪, 并经过颜色和形状特征对提取的目标进行行为分析。美国马里兰大学开发的实时视觉监控系统[3]首先使用摄像机提取人体, 然后结合人体的形状特征, 经过目标跟踪技术建立人体外形模型, 经过模型实现对人体目标的跟踪, 并能够检测人体是否携带物体。英国雷丁大学计算机系也成立了VIEWS(Visual Inspection and Evaluation of Wide Area Scenes)项目组[4], 经过对车辆和信任的跟踪以及识别技术, 即可检测出人的可疑行为, 而且当被检测人员被判断为嫌疑犯时自动发出警报。美国ARDA机构开发的视频分析及内容提取系统(Video Analysis and Content Extraction)经过对目标的检测识别和跟踪来达到检测识别和理解目标的行为[5]。欧洲Gramework V负责的一个视觉监控的核心项目Advisordeng也是为了研究和开发类似的智能监控系统[6]。而从1998年开始, 国际视觉监控会议已经举办了多次。 与国外相比, 中国在研究智能图像监控以及智能图像监控在电力领域的应用方面起步较晚。由中科院自动化研究所、 国家863计划计算机软硬件技术主题、 中国图形图像学会、 国家自然科学基金委员会和中国自动化学会举办的”全国智能视觉监控学术会议”, 使得来自全国各地高校、 科研院所、 企事业单位的科研人员、 专家学者对于智能图像监控方面的相关算法、 应用实例进行了深入的探讨。当前国内对于智能图像监控的研究团队有中科院自动化所模式识别国家重点实验室、 北京大学视觉与听觉信息处理国家重点实验室及清华大学智能技术与系统国家重点实验室。除此之外, 如上海交通大学、 北京航空航天大学、 南京理工大学、 中科院计算所、 国防科技大学、 西安电子科技大学、 中国科学院光电技术研究所、 华中科技大学图像识别与人工智能研究所等, 都在智能图像监控领域开展了大量的研究工作, 并取得了研究成果。从文献来看, 其中文献[7]则经过对变电站监控图像进行SIFT特征匹配, 并经过RANSAC算法去除错误结果, 最后使用OTSU算法得到电力铁塔的倾斜角度来判断变电站监控图像中的电力铁塔是否倾斜, 并用H-S颜色直方图来检测监控图像中变压器的渗漏油情况; 文献[8]提出的基于模版匹配的电力变压器的套管识别算法, 即计算不同图像间的特征相似度得出识别结果, 而且使用一次粗匹配和一次精匹配来提高匹配的速度; 文献[9]以颜色直方图作为特征来检测监控图像中的变压器是否存在漏油情况。 1.3论文的研究内容及组织结构 1.3.1论文研究内容 本文围绕如何检测电力设备运行环境监控图像中的异常情况这一问题, 在识别电力设备运行环境监控图像中的人员、 检测监控图像中电缆的断裂情况以及检测电力设备运行环境监控图像中的火灾等方面展开了研究, 具体内容如下: (1)基于SVM的电力设备运行环境监控图像人员识别 针对电力设备运行环境监控图像中出现人员, 可能会影响电力设备正常运行的问题, 本文研究了提取人员区域以及提取人员区域的形状特征, 构建并训练SVM分类器, 经过分类器识别出监控图像中的人员, 并构建人员行为模型, 经过人员行为模型对识别出的人员的行为做出判断。并经过对比实验验证所构建模型的有效性。 (2)基于改进的Hough变换的电缆断裂检测 针对电缆由于老化、 强风等因素造成断裂的问题, 研究了提取监控图像中电缆的形状特征, 并对电缆监控图像进行增强和去噪, 然后经过改进的Canny算子提取出监控图像中电缆的边缘方向直方图特征, 对提取了电缆边缘后的图像进行腐蚀和膨胀以获得更加精确的电缆边缘图像, 经过对电缆边缘图像进行改进的Hough变换找出图像当中的直线, 将直线段映射到直角坐标系中, 经过计算直线交点坐标和直线夹角检测电缆是否发生了断裂。 (3)基于颜色聚合向量和小波能量特征的电力设备运行环境监控图像火灾检测 针对传统传感器不能检测出距电力设备较远处火灾的问题, 研究了提取出火焰区域, 然后提取火焰区域的颜色特征, 构建并训练SVM分类器, 经过分类器构建火灾检测模型, 经过模型对图像进行火灾检测。 (4)电力设备运行环境监控图像异常检测原型系统的设计与实现 在上述理论研究的基础上, 设计程序开发电力设备运行环境监控图像异常检测原型系统。 1.3.2论文组织结构 本文共分为六章, 每章内容如下: 第一章阐述了本文的研究背景和意义, 介绍了国内外在相关方面所开展的研究工作, 并简要介绍了本文的研究内容及组织。 第二章分析了如何提取人员区域以及提取人员区域的形状特征, 构建并训练SVM分类器, 经过分类器识别出电力设备运行环境监控图像中的人员, 并进行了电力设备运行环境监控图像中人员的识别实验。 第三章分析了如何提取电缆监控图像中电缆的形状特征, 构建并训练SVM分类器, 经过分类器检测出监控图像中的直线段, 将直线段映射到直角坐标系中, 经过计算直线交点坐标和直线夹角检测电缆是否发生了断裂。最后进行了电缆断裂检测实验。 第四章分析了如何提取出火焰区域, 然后提取火焰区域的颜色特征, 构建并训练SVM分类器, 经过分类器构建火灾检测模型, 经过模型对图像进行火灾检测。最后进行了电力设备运行环境监控图像火灾检测实验。 第五章介绍了电力设备运行环境监控图像异常检测原型系统的设计与实现过程。 第六章总结了本文的研究成果, 并对将来的研究做了一些展望。 第二章 电力设备运行环境监控图像人员识别模型 2.1引言 在电力设备的运行环境中, 许多区域是禁止人员进入的, 如果有人员进入会造成触电事故; 另外, 重要的电力设备中包含贵金属部件, 如果被盗会造成线路瘫痪以及经济损失。因此对电力设备运行环境中的人员进行识别是具有实际意义的。当前对于图像中人员识别的研究较多, 如文献[10]建立的光在烟气层内的多散射模型, 经过模型识别发生火灾的建筑物内弯腰捂鼻跑动的人员; 文献以人员区域的颜色直方图特征训练SVM分类器来进行人员识别; 文献[11]经过粒子滤波算法跟踪运动的人员区域等, 将这些方法应用于电力设备运行环境监控图像中的人员识别时, 存在一定的局限性。首先, 电力设备运行环境中的人员的动作一般为站立或者行走, 而且速度较慢, 上述方法识别人员时对人员的速度有一定的要求; 其次, 电力设备由于散热以及绝缘的要求, 有较多的纹理, 而所处环境中有较多的自然纹理, 如果以纹理特征来识别人员, 会降低识别的准确度; 另外, 上述方法识别的大多是白天环境下的人员, 对于夜间进入电力设备运行环境的人员, 由于夜视设备的特性, 监控图像中人员区域的颜色和环境颜色较为接近, 使得经过颜色直方图来识别夜间电力设备运行环境中的人员较为困难。针对以上不足, 本文经过形状特征来识别电力设备运行环境中的人员, 它不受环境纹理以及人员与环境颜色差异的影响, 即首先使用混合高斯背景模型[12]提取人员区域, 然后提取人员区域的边缘方向直方图特征, 再构建SVM分类器, 用直方图特征训练SVM分类器, 经过被训练的SVM分类器识别出监控图像中的人员。 2.2电力设备运行环境监控图像人员识别模型 2.2.1电力设备运行环境监控图像中人员的特点 对于电力设备的运行环境, 在连续监控图像中出现的人员, 其数量具有随机性, 单人或者多人, 而且不同的人员具有不同的动作以及不同的运动方向。动作表征人员的行为, 运动方向则表征人员相对于周围环境所具有的非静止特性。电力设备运行环境中的人员动作大多数为站立或者行走, 而且行走速度较慢; 人员所穿衣物大多数为深色, 使得在夜间人员颜色与环境颜色较为接近。与电力设备的纹理相比, 人员几乎没有明显的纹理特征, 可是人员具有不同于运行环境中其它物体的外形轮廓。 2.2.2电力设备运行环境监控图像中人员区域的提取 对于将人员区域从连续的监控图像中提取出来的方法, 当前主要有帧间差分法、 背景差分法、 光流法等。 (1)帧间差分法 由于连续的监控视频是由一张张静态图像组成的, 帧间差分法[13]就是将组成监控视频的图像序列中相邻两帧的图像作差分运算后得到差分图像, 然后对差分图像进行二值化, 再经过对二值化之后的差分图像进行腐蚀和膨胀来使得其中的运动目标的轮廓变得清晰准确。当监控视频中出现人员时, 出现前的图像和出现时的图像之间会存在明显的差别, 利用这种差别与预先设定的阈值进行比较来分析人员的运动特性, 实现对人员的判断。图2-1所示为利用帧间差分法提取到的人员。 图2-1(a)原始图像 图2-1(b)利用帧间差分法提取到的目标 帧间差分法的优点是对于两张图像之间的运算量小, 程序容易实现, 而且得到的差分图像的噪点较少, 原始图像对于光照强度不敏感。可是这种方法也存在缺点, 首先, 由于帧间差分法只能提取出人员的轮廓而不能提取出人员所在的完整区域, 导致在提取运动速度快的人员时, 人员可能会被提取成两个分开的区域; 当人员的运动速度很慢时, 帧间差分法可能检测不到人员, 因此该方法对于提取到人员区域有一定的速度要求。同时, 该方法会造成提取到的区域内部形成噪点, 使得提取到的人员区域不完整。 (2)光流法 这种方法首先对监控图像的每个像素点进行矢量赋值, 当图像中出现运动的人员时, 人员区域在图像中所占像素点和背景所占像素点之间必然会存在矢量差, 如果没有人员出现, 图像中的像素点的矢量值则为平滑变化。正是由于存在这种像素点之间的矢量差, 才能利用这种差异检测出人员在图像中所占的像素点。光流法[14]对于人员所在的背景没有要求, 对于拍摄图像的器材的抖动或者旋转也有很好的鲁棒性, 可是这种方法的程序运算复杂, 耗时较长, 如果硬件设备不能满足一定的要求, 那么就无法达到对于监控图像中人员区域的快速提取, 故这种方法实用性较差。 图2-2(a)原始图像 图2-2(b)使用光流法提取出来的人员 (3)背景差分法 针对帧间差分法和光流法的缺点, 本文采用背景差分法[15]来提取监控图像中的人员区域, 即构建混合高斯背景模型。 背景差分法经过将当前图像和已知背景图像做差分来提取人物所在的区域。如果差别大, 则判定存在人员区域并提取出来; 反之则判定为背景图像。背景差分法需要建立背景模型, 同时还需要已知背景图像, 可是背景图像会随着环境的变化而发生变化。因此, 经过背景建模对背景实时更新是背景差分法的关键。背景差分法的优点是算法简单, 程序容易实现, 图2-3是背景差分法的流程图。 图2-3 背景差分法流程图 根据所用数学模型的不同, 背景差分法可分为平均背景模型、 单高斯背景模型、 混合高斯背景模型, 现分别予以讨论。 平均背景模型(Average Background Model)[16]是将每个像素的平均值做为背景值。平均背景模型的优点是比较简单、 计算速度快, 但对外界环境变化敏感, 对于环境变化较快的时候, 准确性较低。 单高斯背景模型是一种简单的背景单一不变的背景提取方法, 图像中的每个 像素点相互独立, 服从均值μ和标准差σ的高斯分布, 可看做是一个随机过程。 设I(x,y,t)表示像素点(x,y)在t时刻的像素值, 则在该时刻, 该像素点(x,y)的像素值为I(x,y,t)的概率P(I(x,y,t))能够表示为: P(I(x,y,t))=η(x,μt,σt)= (2-1) 其中μt和σt分别为t时刻该像素高斯分布的期望值和标准差。若有图像序列, 坐标为(x,y)的像素点为背景的像素值期望为μ0(x,y), 标准差为σ0(x,y), 方差为σ2(x,y), 则: μ0(x,y)=I(x,y,0) (2-2) σ0(x,y)=init (2-3) 其中init=20。 在t时刻像素值I(x,y,t), 这里用前景来表示我们希望提取到的人员区域, 设output(x,y,t)为输出图像, 则单高斯背景模型的表示式如
展开阅读全文

开通  VIP会员、SVIP会员  优惠大
下载10份以上建议开通VIP会员
下载20份以上建议开通SVIP会员


开通VIP      成为共赢上传

当前位置:首页 > 包罗万象 > 大杂烩

移动网页_全站_页脚广告1

关于我们      便捷服务       自信AI       AI导航        抽奖活动

©2010-2025 宁波自信网络信息技术有限公司  版权所有

客服电话:4009-655-100  投诉/维权电话:18658249818

gongan.png浙公网安备33021202000488号   

icp.png浙ICP备2021020529号-1  |  浙B2-20240490  

关注我们 :微信公众号    抖音    微博    LOFTER 

客服